-
题名基于宽度&深度学习的基站网络流量预测方法
被引量:7
- 1
-
-
作者
陈浩杰
黄锦
左兴权
韩静
张百胜
-
机构
北京邮电大学计算机学院
北京邮电大学可信分布式计算与服务教育部重点实验室
中兴通讯股份有限公司
-
出处
《郑州大学学报(工学版)》
CAS
北大核心
2022年第1期7-13,共7页
-
基金
国家自然科学基金资助项目(61873040)。
-
文摘
针对无线网络流量长期预测问题,提出一种基于宽度&深度学习的基站网络流量预测方法。首先,利用S-H-ESD算法和数据平滑方法对网络流量数据进行预处理,以降低噪声数据对预测的影响;然后,将网络流量作为宽度&深度模型的深度部分(神经网络)的输入,将无线资源控制(RRC)连接数和物理资源块(PRB)利用率作为模型的宽度部分(线性模型)输入,通过结合深度部分和宽度部分来预测网络流量。所提方法为所有基站的网络流量建立一个预测模型,预测结果的均方根对数误差(RMSLE)为0.985,明显优于传统的季节性差分自回归滑动平均模型(RMSLE为2.095)和长短期记忆网络模型(RMSLE为3.281)。实验结果表明:宽度&深度模型通过结合线性模型的记忆能力和深度模型的泛化能力,能够更好地解决无线网络流量的长期预测问题。
-
关键词
宽度&深度模型
深度学习
基站网络流量
流量预测
时间序列预测
神经网络
-
Keywords
Wide&Deep model
deep learning
base station network traffic
traffic prediction
time series prediction
neural network
-
分类号
TP393.0
[自动化与计算机技术—计算机应用技术]
-